基于人工神经网络的足月胎儿体重预测

论文摘要

对胎儿体重的预测在产科临床监护上有着非常重要的意义,在妊娠阶段准确估计胎儿体重对判断胎儿是否属于宫内生长(发育)迟缓(IUGR)、巨大胎儿(LGA),还是正常胎儿,分娩前正确制定分娩计划,减少母婴并发症等都十分重要。自70 年代末期以来,随着超声技术应用于产科,利用B 超测量胎儿各项生物指标来估计胎儿体重已成为十分重要的手段。国内外学者在应用B 超预测胎儿体重方面进行了许多研究,大多采用的是数理统计的方法,即利用回归分析的手段建立起回归方程,但是回归方程的预测准确率低、重复性差,影响了它们的临床使用。近年来,在医疗辅助诊断与决策方面,兴起了采用人工神经网络系统来处理大量的、复杂的、相互关联的医学信息,从中进行分析、推理、分类识别、预测等。本研究采用反向传播(BP)人工神经网络方法取代传统的回归分析方法来预测胎儿体重。首先,对从四川大学华西附属第二医院采集到的109 例样本数据,从线性与非线性、单参数与多参数等方面,多角度对所采集到的数据进行了相关性研究和回归分析,并最终得到四个非线性回归方程,获得了较好的预测准确率(符合率),最高达到了75%。这四个方程模型较好地描述了胎儿发育的全过程,所选参数覆盖了胎儿的头部、四肢、腹部、皮下脂肪的堆积和肝糖元的存储等生理变化情况。然后采用基于反向传播算法的人工神经网络(BP 网络)方法,通过三种处理方式来验证BP 网络预测结果,均获得了较为理想的预测结果,无论何种方式都达到了80%以上的符合率,最高达到95%。在分组训练验证中,训练组预测符合率达89.77%,平均绝对误差104.22 克,平均相对误差3.24%;

论文目录

• 摘要
• ABSTRACT
• 1 文献综述及研究设想
• 1.1 医学背景
• 1.1.1 超声影像技术在产科的应用
• 1.1.2 胎儿生长发育过程
• 1.1.3 胎儿生长发育的重要生理指标
• 1.2 B 超预测胎儿体重的处理方法
• 1.2.1 单参数回归分析
• 1.2.2 多参数回归分析
• 1.3 回归方法预测胎儿体重存在的问题
• 1.4 研究设想:用神经网络方法代替回归方程预测胎儿体重
• 2 回归分析预测胎儿体重
• 2.1 回归模型介绍
• 2.1.1 一元线性回归模型
• 2.1.2 多元线性回归模型
• 2.1.3 多元非线性回归模型
• 2.2 单参数回归分析与讨论
• 2.2.1 研究对象
• 2.2.2 超声参数对胎儿体重的影响
• 2.2.3 预测体重值的评价
• 2.3 回归分析预测胎儿体重
• 2.3.1 一元线性回归方程
• 2.3.2 多元线性回归方程
• 2.3.3 非线性回归方程
• 2.3.4 新的非线性模型的引入
• 2.4 本章小结
• 3 人工神经网络分析预测胎儿体重
• 3.1 反向传播人工神经网络
• 3.1.1 误差规则与梯度下降算法
• 3.1.2 BP 网络的学习算法
• 3.2 基于BP 神经网络预测胎儿体重
• 3.2.1 BP 网络映射关系
• 3.2.2 处理方式1 的结果
• 3.2.3 处理方式2 的结果
• 3.2.4 处理方式3 的结果
• 3.3 讨论
• 3.3.1 处理方式1、2、3 的结果比较
• 3.3.2 神经网络方法和回归方程预测结果比较
• 3.4 本章小结
• 4 应用软件实现
• 5 全文总结
• 5.1 论文工作的总结
• 5.2 论文的创新点
• 5.3 研究展望
• 参考文献
• 攻读硕士学位期间成果列表
• 发表论文列表
• 参加研究的课题
• 致谢